告别网页版！用Python脚本+GPT-4 API打造你的专属命令行聊天机器人（附完整代码）
用Python打造命令行版GPT-4聊天机器人：从API调用到完整终端应用开发
在终端里直接与AI对话是什么体验？想象一下：无需打开浏览器，不用切换标签页，直接在熟悉的命令行环境中获得GPT-4的智能回复——这正是我们今天要实现的终极目标。本文将带你从零构建一个功能完整的命令行聊天机器人，支持多轮对话、流式输出、对话历史管理等高级特性，全部封装在一个不到200行的Python脚本中。
1. 环境准备与基础架构
1.1 项目初始化与依赖安装
首先创建一个干净的开发环境。推荐使用Python 3.9+版本，这是OpenAI API客户端的最佳兼容版本：
# 创建项目目录 mkdir gpt4-cli && cd gpt4-cli # 设置虚拟环境 python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows # 安装核心依赖 pip install openai python-dotenv项目结构设计如下：
gpt4-cli/ ├── .env # 存储API密钥 ├── gpt_chat.py # 主程序 └── requirements.txt1.2 API密钥的安全管理
永远不要将API密钥硬编码在代码中！我们使用.env文件管理敏感信息：
# .env 文件内容示例 OPENAI_API_KEY=sk-your-key-here然后在代码中安全加载：
from dotenv import load_dotenv import os load_dotenv() api_key = os.getenv("OPENAI_API_KEY")注意：将
.env添加到你的.gitignore文件中，避免密钥意外提交到版本控制
2. 核心聊天引擎实现
2.1 基础对话循环架构
我们构建一个ChatEngine类封装所有聊天逻辑：
class ChatEngine: def __init__(self, model="gpt-4-0125-preview"): self.client = OpenAI(api_key=api_key) self.model = model self.messages = [] def add_system_prompt(self, content): self.messages.append({"role": "system", "content": content}) def chat_loop(self): while True: try: user_input = input("\nYou: ") if user_input.lower() in ['exit', 'quit']: break self.messages.append({"role": "user", "content": user_input}) self._get_completion() except KeyboardInterrupt: print("\n对话已结束") break2.2 实现流式输出
流式输出能显著提升用户体验，避免长时间等待：
def _get_completion(self): response = self.client.chat.completions.create( model=self.model, messages=self.messages, stream=True ) print("\nAI: ", end="", flush=True) full_response = "" for chunk in response: content = chunk.choices[0].delta.content if content: print(content, end="", flush=True) full_response += content self.messages.append({"role": "assistant", "content": full_response})关键参数说明：
stream=True：启用流式响应flush=True：确保实时输出而非缓冲end=""：避免自动换行破坏输出流
3. 增强功能开发
3.1 对话历史管理
添加历史记录功能让对话更连贯：
def save_history(self, filename="chat_history.json"): with open(filename, 'w', encoding='utf-8') as f: json.dump(self.messages, f, ensure_ascii=False, indent=2) def load_history(self, filename="chat_history.json"): try: with open(filename, 'r', encoding='utf-8') as f: self.messages = json.load(f) return True except FileNotFoundError: return False3.2 多模型支持与参数配置
扩展引擎支持不同模型和调参：
class ChatEngine: def __init__(self, model="gpt-4-0125-preview", temperature=0.7, max_tokens=2000): # ...其他初始化... self.temperature = temperature # 控制创造性 self.max_tokens = max_tokens # 限制响应长度 def _get_completion(self): response = self.client.chat.completions.create( model=self.model, messages=self.messages, temperature=self.temperature, max_tokens=self.max_tokens, stream=True ) # ...后续处理...4. 打造完整命令行应用
4.1 添加彩色输出与交互增强
使用rich库提升终端显示效果：
from rich.console import Console from rich.markdown import Markdown console = Console() def _get_completion(self): # ...获取响应... console.print("\nAI:", style="bold green", end=" ") full_response = "" for chunk in response: content = chunk.choices[0].delta.content if content: console.print(content, end="", style="green") full_response += content # 以Markdown格式渲染代码块等 if "```" in full_response: console.print(Markdown(full_response)) else: self.messages.append({"role": "assistant", "content": full_response})4.2 添加命令行参数解析
使用argparse支持运行时配置：
import argparse def parse_args(): parser = argparse.ArgumentParser(description='GPT-4命令行聊天机器人') parser.add_argument('--model', default='gpt-4-0125-preview', help='选择模型版本') parser.add_argument('--temp', type=float, default=0.7, help='设置temperature参数(0-2)') parser.add_argument('--load', metavar='FILE', help='从文件加载对话历史') return parser.parse_args() if __name__ == "__main__": args = parse_args() engine = ChatEngine(model=args.model, temperature=args.temp) # ...初始化引擎...5. 性能优化与错误处理
5.1 网络异常处理
增强API调用的健壮性：
def _get_completion(self): try: response = self.client.chat.completions.create( # ...参数... ) # ...处理响应... except Exception as e: console.print(f"\n[red]错误: {str(e)}[/]") if "rate limit" in str(e).lower(): console.print("[yellow]提示: 您已达到API速率限制，请稍后再试[/]") return False5.2 上下文窗口管理
自动修剪过长的对话历史：
def _trim_messages(self): total_length = sum(len(m["content"]) for m in self.messages) if total_length > 8000: # 保守估计的token数 # 保留最近的5条用户消息和系统消息 self.messages = [m for m in self.messages if m["role"] == "system"] self.messages.extend(self.messages[-10:])6. 完整代码整合
将所有功能整合为可直接运行的脚本：
# gpt_chat.py import os import json from openai import OpenAI from dotenv import load_dotenv from rich.console import Console from rich.markdown import Markdown load_dotenv() console = Console() class ChatEngine: # ...之前定义的所有方法... def main(): args = parse_args() engine = ChatEngine(model=args.model, temperature=args.temp) if args.load and engine.load_history(args.load): console.print(f"[green]已加载历史对话: {args.load}[/]") console.print("\n[bold]GPT-4命令行聊天机器人[/] (输入exit退出)") engine.chat_loop() if input("\n保存对话历史? (y/n): ").lower() == 'y': filename = input("文件名(默认chat_history.json): ") or "chat_history.json" engine.save_history(filename) console.print(f"[green]对话已保存到 {filename}[/]") if __name__ == "__main__": main()运行方式：
python gpt_chat.py --model gpt-4-0125-preview --temp 0.77. 进阶扩展思路
7.1 添加函数调用能力
利用GPT-4的function calling特性实现更复杂交互：
functions = [ { "name": "get_current_weather", "description": "获取当前天气", "parameters": { "type": "object", "properties": { "location": {"type": "string", "description": "城市名称"}, }, "required": ["location"], }, } ] def _handle_function_call(self, function_name, arguments): if function_name == "get_current_weather": return {"temperature": 22, "unit": "celsius"} return None7.2 集成到Shell工作流
将机器人作为命令行工具链的一部分：
# 示例：直接获取命令解释 python gpt_chat.py --system "你是一个Linux终端专家" <<< "如何用awk统计日志中的错误次数"实际开发中，我发现流式输出对用户体验的提升远超预期——它消除了传统API调用中的"等待焦虑"，让对话感觉更加自然。一个实用的技巧是在长时间思考时添加打字动画，这可以通过在输出前添加光标动画实现。